Анисимов Б.В., Курганов В.Д., Злобин В.К. - Распознование и цифровая обработка изображений (1033973), страница 15
Текст из файла (страница 15)
,' Целевой признак 7 (см. рис. 2.16) (наличие гирлянды шаров) хактеризуется присутствием на изображении распознаваемого объек- та не менее трех фигур 9 или 10 7 (см. рис. 2.17), максимальные раз7 7 ~меры которых совпадают. При Ъ. г этом шары должны располагаться 4 5' б вплотную 'друг к другу, т. е. рас- ПОЙ П ПСЭ :: "() "О "- 7б д~ х Рис. 2.!7, Фигуры, состав- Рис. 2.18.
6;-Параметры ляющие целевые призиакп, контура произвольной приведеииые иа рис. 2.16 формы : стояние между центрами тяжести двух соседних фигур не должно пре,. вышать максимального размера 1„, в, „, х. Целевой признак 1 (см. рис. 2.16) в виде усеченного конуса опреде' ляется обнаружением на изображении одной из фигур 4, 5 или б и 11 „(см. рис. 2.17). При этом если на распознаваемом объекте имеются це;.
левые признаки одного вида (например, конусы различных размеров), то в алгоритм синтеза при выделении таких признаков вводятся допол' нительно ограничения на некоторые геометрические характеристики 'этих признаков, место их взаимного расположения и т. д. Целевой признак 2 (см. рис. 2.16) (распознавание цилиндра) харак- ,:теризуется присутствием на изображении фигур 7 или 8 и 11 (см. (,.рис. 2.17), максимальные размеры которых совпадают в пределах не- 1, которого допуска. Целевой признак 8 (см. рис.
2.16) (прорези на теле пространствен- ных тел) характеризуется присутствием на изображении контуров , 18 (см. рис. 2.17). Целевые признаки 3 могут быть перепутаны со стержнями при формировании целевого признака б, 5 или 8 (см. рис. 2.17), Поэтому для выделения на объекте стержней, прутков или других аналогичных де. талей необходимо вводить в алгоритм дополнительные характеристики каждому из схожих целевых признаков (их количество, размеры, рас- положение и т.д.).
Многие целевые признаки, которые здесь не рассматривались, мо- гут быть синтезированы (выделены) на изображениях объектов по опи- сапным здесь и другим принципам. Чтобы можно было точнее охарактеризовать распознаваемые объ- екты по назначению, необходимо не только определить набор целевых признаков для них, ио и найти некоторые их геометрические размеры. Например, для описанной системы целевых признаков характерными будут размеры /г и 1(см.
рис. 2.16). Если для анализируемого контура имеет место неравенство 1бэ — бэ( 1 бе — бе1 //г = бв , то ~ ' и неизвестный контур симмет- 3+ 5 4+ е 1 3+бь ричен относительно оси, параллельной оси ох выбранной си сте- мы координат. Здесь 6; — геометрические параметры, характеризую- щие односвязные контуры.
Если же справедливо неравенство ~ ' '1 < 1 ' ' , то бэ + бь ба + бв А=бг, и неизвестный контур симметричен относительно оси, па1=бх+бв раллельной оси оу выбранной системы координат. Например, для целевых признаков 3 и 8 lг =- 6*, т. е. й определяется как больший размер из 6, и 6,. Для целевого признака б й = 61з + 0,5 61о, где 61з и 61о — на- ибольший размер параметров 6, и 6, соответственно для контуров 13 и /О (рис. 2.17).
Описанный способ формирования целевых признаков позволяет строить устойчиво работающие алгоритмы синтеза контуров только в том случае, если анализируемые контуры не сильно искажены по форме. Между тем значительные искажения формы возможны не толь- ко за счет невысокой точности съема координат точек контуров, но и за счет наложения на них изображений других деталей объектов. В этом случае при использовании детерминированного подхода формирова- ния целевых признаков может возникнуть необходимость в запросе не одного, а нескольких изображений объектов.
Кроме того, можно ис- пользовать вероятностный способ распознавания контуров и формиро- вания целевых признаков (см. 2 4.3 и 4.4). Алгоритм синтеза контуров, построенный по описанным принципам, можно применять как на этапе принятия решения о наличии на неиз- вестном объекте некоторого набора целевых признаков, так и на этапе обучения машины классификации объектов.
Наибольшее применение получила в настоящее время апизотропная фильция, ослабляющая влияние отдельных пятен, не относящихся к изображею объекта, и пробелов в силуэте, обеспечивающая эффектввную фильтрацию ' ображений объектов, искаженных аддитивным нормальным шумом, Лучше всеподдаются фильтрации изображения, ие имеющие узких выступающих чай.
Аиизотропная фильтрация обладает избирательными свойствами: узкие ертуры более эффективны при малом уровне шумов (до 1Π— 15%), широкие— ри большом уровне шумов (20 — 30%). При интенсивности помех до 15 — 20% есообразно использовать рекуррентную фильтрацию. Для экономии памяти ЭВМ и ускорения решения задачи распознавания слеет применять минимизацию информации, позволяющую проводить дифференрование исходных данных по степени их значимости для дальнейшего распозавания. Нормализация плоских изображений упрощает алгоритмы распознавания птуров.
В качестве характеристик нормализации надо использовать геометри' еские моменты различных порядков, которые одновременно могут служить крииаками распознавания односвязных геометрических контуров, Заключение В задачах распознавания пространственных объектов при дешифровании аэрокосмических снимков различают две постановки проблемы: классификацию и идентификацию. Поскольку в реальных системах распознавания возможно появление в поле зрения воспринимающего устройства различного рода помех, целесообразно на этапе предварительной обработки изображений проводить их фильтрацию.
бб Ф: РЛАПА 3 СИСТЕМЫ ПРИЗНАКОВ ПРИ РАСПОЗНАВАНИИ ОБЪЕКТОВ ПО ИХ КРУПНОМАСШТАБНЫМ ИЗОБРАЖЕНИЯМ й ЗЛ. КРИТЕРИИ ПОЛЕЗНОСТИ ПРИЗНАКОВ ПРИ РАСПОЗНАВАНИИ ОБЪЕКТОВ Выделение наиболее информативных (полезных) признаков при синтезе распознающих систем — одна из важнейших задач теории и практики распознавания. Однако до настоящего времени отсутствует соответствующая формальная постановка этой задачи. В неформальных же постановках задачи определение информативных признаков преследует.' 1) уменьшение до минимума количества необходимых для описания классов признаков без существенного увеличения вероятности ошибки распознавания; 2) возможность использования относительно простых алгоритмов распознавания; 3) уменьшение вероятности ошибки распознавания. С решением этой задачи обычно связаны вопросы упрощения распознающей системы и повышения качества ее работы.
К построению эффективной системы признаков может быть два подхода. Первый подход заключается в том, что с самого начала берется установка на отыскание малого числа признаков большой информативности. Однако все используемые при этом методы до сих пор основаны на эвристике и эмпирике, т. е.
выбор признаков определяется интуицией, опытом и воображением разработчика. Как бы удачна ни была сконструированная система признаков, нельзя доказать, что она лучше некоторой другой. Второй подход заключается в том, что из большого числа исходных признаков согласно некоторому критерию эффективности признаков отбирается как можно меньшее число наиболее полезных для распознавания признаков. К настоящему времени разработаны разнообразные критерии эффективности признаков, основанные на методах математической статистики и теории информации (см. [3,4!).
Наибольшее признание получили критерии, отражающие расстояния между распределениями классов, в частности дивергенция, использующая информационную меру Кульбака (см, [5)). Второй подход к построению эффективной системы признаков более конструктивный, чем первый, хотя и обладает существенным недостатком: при обязательном наличии связи между критериями эффективности признаков и вероятностью ошибки распознавания функциональной зависимости между этими величинами нег. Это не позволяет надежно оценить изменение вероятности ошибки распознавания после минимизации описания, оставляя тем самым сомнения в его эффектив- 68 ости.
Усугубляющим фактором здесь является и то, что вероятность шибки определяется не только системой признаков, но и принятым ешающим правилом, а также зависит от погрешностей, возникающих реальной распознающей системе. Этим объясняется отсутствие приеров использования критериев эффективности признаков при практической реализации распознающих систем. На основе второго подхода ,к выбору полезных признаков можно функционально связать критерий ективности признаков с вероятностью ошибки распознавания. Полезность некоторого признака в исходной совокупности п при) наков определим по приращению полной вероятности ошибки ЬР, при исключении этого признака из исходной совокупности: ЬР«ы = Роы — Р' и (3.
О где Р, — полная вероятность ошибки распознавания классов Ах н А, для исходной совокупности п признаков; Р, '— полная вероятность ошибки распознавания классов А, и А, при исключении Ьго признака из исходной совокупности. В зависимости от знака приращения АР, могут иметь место следующие случаи: Р, ( Π— й-й признак полезен, так как его исключение из исходного описания приводит к увеличению вероятности ошибки; Р, = 0 — й-й признак бесполезен, так как его исключение из исходного описания не изменяет вероятности ошибки; Р, ~ 0 — й-й признак вреден, так как без него вероятность , ошибки распознавания уменьшается.
![](https://s.studizba.com/z.php?f=/templates/si/i/noavatar.png&w=100&h=100&t=1"){kind=avatar}
